Naive Bayes

Naive Bayes, sınıflandırma görevleri için makine öğreniminde yaygın olarak kullanılan bir olasılıksal algoritmalar ailesidir. İstatistiksel prensiplere dayanan bu yöntem, özellikler arasında güçlü (veya "saf") bir bağımsızlık varsayımı ile Bayes Teoremi'ni uygular. Basitliğine rağmen bu yöntem; özellikle metin gibi yüksek boyutlu veri setlerini içeren senaryolarda verileri kategorize etmek için oldukça etkilidir. Hesaplama verimliliği ile tahmin performansı arasında bir denge sunarak denetimli öğrenme alanında temel bir yapı taşı olarak hizmet eder.

Temel Kavram: "Naif" Varsayım#

Algoritma, belirli bir veri noktasının belirli bir sınıfa ait olma olasılığını tahmin eder. "Saf" yönü, bir sınıfta belirli bir özelliğin varlığının diğer herhangi bir özelliğin varlığıyla ilişkisiz olduğu varsayımından kaynaklanır. Örneğin bir meyve; kırmızı, yuvarlak ve yaklaşık 3 inç çapındaysa elma olarak kabul edilebilir. Bir Naive Bayes sınıflandırıcısı, renk, yuvarlaklık ve boyut arasındaki olası korelasyonlardan bağımsız olarak meyvenin elma olma olasılığını hesaplamak için bu özellik çıkarma noktalarının her birini ayrı ayrı değerlendirir.

Bu basitleştirme, model eğitimi için gereken hesaplama gücünü büyük ölçüde azaltarak algoritmayı son derece hızlı hale getirir. Bununla birlikte, gerçek dünyadaki veriler genellikle bağımlı değişkenler ve karmaşık ilişkiler içerdiğinden, bu varsayım bazen modelin performansını daha karmaşık mimarilere kıyasla sınırlayabilir.

Gerçek Dünya Uygulamaları#

Naive Bayes, hızın kritik olduğu ve bağımsızlık varsayımının makul derecede iyi çalıştığı uygulamalarda öne çıkar.

• Spam Filtreleme: Naive Bayes'in en bilinen kullanım alanlarından biri, e-posta filtrelemesi için doğal dil işleme (NLP) alanındadır. Sınıflandırıcı, bir e-postanın "spam" veya "ham" (meşru) olup olmadığını belirlemek için kelimelerin (token'ların) sıklığını analiz eder. "Ücretsiz", "kazanan" veya "acil" gibi kelimelerin varlığında bir mesajın spam olma olasılığını hesaplar. Bu uygulama, gelen kutularını temiz tutmak için büyük ölçüde metin sınıflandırma tekniklerine dayanır.
• Duygu Analizi: İşletmeler müşteri incelemelerini veya sosyal medya gönderilerini analiz ederek kamuoyunun görüşünü ölçmek için bu algoritmayı kullanır. Belirli kelimeleri olumlu veya olumsuz duygularla ilişkilendirerek model, çok büyük miktardaki geri bildirimi hızlı bir şekilde kategorize edebilir. Bu, şirketlerin her yorumu manuel olarak okumadan marka algısını anlamak için büyük ölçekli duygu analizi yapmasına olanak tanır.

Bilgisayarlı Görüde Naive Bayes ve Derin Öğrenme Karşılaştırması#

Naive Bayes metinler için güçlü olsa da, bilgisayarlı görü (CV) gibi algısal görevlerde genellikle zorlanır. Bir görüntüde, bir pikselin değeri genellikle komşularına oldukça bağımlıdır (örneğin, bir kenar veya doku oluşturan bir grup piksel). Bağımsızlık varsayımı burada geçerliliğini yitirir.

Nesne algılama gibi karmaşık görsel görevler için modern derin öğrenme (DL) modelleri tercih edilir. YOLO26 gibi mimariler, Naive Bayes'in göz ardı ettiği uzamsal hiyerarşileri ve özellik etkileşimlerini yakalamak için evrişimli katmanlar kullanır. Naive Bayes olasılıksal bir temel sağlarken, YOLO26 gibi modeller otonom sürüş veya tıbbi teşhisler için gereken yüksek doğruluğu sunar. Bu karmaşık görü modelleri için gereken veri setlerini yönetmek amacıyla Ultralytics Platform gibi araçlar; basit tablo verisi işlemenin çok ötesine geçen kolaylaştırılmış etiketleme ve eğitim iş akışları sunar.

Bayes Ağları ile Karşılaştırma#

Naive Bayes'i daha geniş bir kavram olan Bayes Ağı'nden ayırt etmek faydalıdır.

• Naive Bayes: Tüm tahminci düğümlerin doğrudan sınıf düğümüne işaret ettiği ve tahminciler arasında hiçbir bağlantının bulunmadığı, Bayes Ağının özelleşmiş ve basitleştirilmiş bir formudur.
• Bayes Ağları: Bunlar, değişkenler arasındaki karmaşık koalisyon bağımlılıklarını modellemek için Yönlendirilmiş Döngüsüz Çizge (DAG) kullanır. "Saf" yaklaşımın basitleştirerek ortadan kaldırdığı nedensel ilişkileri temsil edebilirler.

Uygulama Örneği#

ultralytics paketi derin öğrenmeye odaklanırken, Naive Bayes genellikle standart scikit-learn kütüphanesi kullanılarak uygulanır. Aşağıdaki örnek, sürekli veriler için yararlı olan bir Gauss Naive Bayes modelinin nasıl eğitileceğini göstermektedir.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

Avantajlar ve Sınırlamalar#

Naive Bayes'in birincil avantajı, son derece düşük çıkarım gecikmesi ve minimum donanım gereksinimleridir. Destek Vektör Makineleri (SVM) gibi diğer algoritmaları yavaşlatabilecek devasa veri setlerini yorumlayabilir. Dahası, bağımsızlık varsayımı ihlal edildiğinde bile şaşırtıcı derecede iyi performans gösterir.

Bununla birlikte, bağımsız özelliklere olan güveni, nitelikler arasındaki etkileşimleri yakalayamayacağı anlamına gelir. Bir tahmin kelime kombinasyonlarına bağlıysa (örneğin "iyi değil"), Naive Bayes dikkat mekanizmaları veya Transformers kullanan modellere kıyasla zorlanabilir. Ek olarak, test verisinde yer almayan bir kategori eğitim setinde yoksa model ona sıfır olasılık atar; bu sorun genellikle Laplace düzeltmesi ile çözülür.